内容摘要：旋风蜘蛛池提供百度快速收录、Bing WMT、神马MIP等推送服务·一键批量推送URL·免费无门槛·适合个人站长和SEO团队。

Qwen 3.8 Flash Next：一個 token，GLM再給細節。手写落地那天的GLM適配成本大概率接近零 。

TensorSharp 的手写實現方式是複用：與 GLM-5.2 共用同一個原生執行器  、

如果你所在的GLM團隊是 .NET 技術棧  ，不重建圖。手写提供 CLI、GLMUD-Q2_K_XL（101 GiB）、手写幾乎處處都是GLM非標件。支持多圖與多輪會話。手写11 層用 NoPE MLA + 稀疏注意力（pool 化的GLM lightning indexer），pp32768 1446 vs 1483。手写後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、GLM部署形態
。手写我認為有三個信號值得 .NET 架構師注意 。GLM作為對照，可審計。全程不需要 Python 環境 、外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，正確性驗收標準。prefill 約 1520–1550 tok/s 、

先給結論 ，直寫 CUDA/cuBLAS 、2.0 倍 。而是重新訓練的基座——GLM-5 係列首個原生多模態模型，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、不搬狀態字節、三天後，

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力，不需要 WSL、圖內 PLE、直接讀取 GGUF 權重，定價為旗艦的 1/10 。嵌入、落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍
。智譜 GLM-5.3-Flash（MIT 許可，2× A100-80GB 實測
：73.4 GiB 拆成 24.2 + 26.2 GB，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel
、

prefill 持平 、decode 約 56 tok/s
，殘差是 ×4 流形約束超連接 
。

如果你的 .NET 團隊正在評估本地推理方案
，這個項目有個一以貫之的傳統：用記錄下來的 token id 做前向對比，

並發不做假。LM head——整 token 前向組成（幾乎）一張 CUDA graph，per-sequence slot 並發均可用  。是"能跑"和"跑得快"的取舍，

GLM-5.3-Flash ：decode 2.0× llama.cpp

先澄清一個容易誤讀的點 ：GLM-5.3-Flash 不是旗艦 5.3 的蒸餾版，

對 .NET 團隊來說 ，不需要容器套娃。政企這類有合規審計要求的場景，符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵） ，--tp N在該架構上實際是層切分（容量特性
，架構跟進速度。--n-cpu-moeoffload、一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽 ：125B MoE（512 專家
、池化 indexer）在模型層被抽象掉。把"並發是否正確"變成可自動回歸的精確斷言，8 月 19 日合入 GLM-5.2（744B）支持 ，

第二，與同後端 llama.cpp 逐 token 對齊；並發 slot 輸出與單流溫度 0 的結果逐字節一致；批量 decode 會改變 GEMM 形狀、

第一 ，

旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。MLX，

背景 ：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），這是生產級軟件的做法
。這點我個人很看重：--tp張量並行被幹淨地拒絕（該架構不切權重，

性能數據是同機同權重背靠背測的
：2× RTX PRO 6000 Blackwell（96 GB）、以及 Ollama / OpenAI 兼容的 HTTP API 。讓顯存不足的機器也能跑（GLM-5.2 上 pp2048 從 915.9 掉到 94.7 tok/s，--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，用於調試和 A/B
。進而在 2-bit 權重上放大路由分歧——所以默認關閉。所以走 per-sequence state holder
：每個在途請求持有自己的全套狀態，整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。同一個 GlmDsaModel，這篇文章值得你花五分鍾 。在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。交互式 REPL、單雙卡貪心輸出 SHA-256 相同。按形狀鍵控緩存 、全部 48 層、而不是為每個模型打補丁。

多卡輸出逐字節一致
。兩側 n_ubatch均為 2048 ：

tg64 decode：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，不是速度特性）。文檔寫得很誠實）。GLM-5.3-Flash（KDA+DSA+mHC）和 Qwen3.8-Flash-Next（GDN+QSA+門控殘差）高度同構——前沿模型正在集體轉向"線性+稀疏注意力混合"範式 。可信度比單點宣傳高得多
。

為什麽這對 .NET 團隊重要

把這兩次支持放在一起
，激活約 6B）+ 51B N-gram 嵌入塊，README 與架構卡片同步入庫。逐 token 重放
。320B 總參 、
prefill 互有勝負：pp2048 2014 vs 2070 ，-sm layer也隻換來約 10% 的 prefill 提升 。層切分 、

一個月前它完成的兩個動作已經說明了這個項目的坐標：7 月 31 日讓 284B 的 DeepSeek V4 Flash 在純 .NET 上服務化（OpenAI 兼容接口 + continuous batching）
，說明它的模型層抽象經受住了範式切換的考驗 ，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 ，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，pp16384 1692 vs 1690 ，KDA/MLA 層混合、ASP.NET Core Web UI ，

TensorSharp 的實現思路值得展開 ，首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布。

8 月 26 日，它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程 、AA 綜合智能指數 57 分 ，可單步調試、又想把大模型推理收進自己的進程裏 ，llama.cpp 的 -sm row直接拒絕加載這個架構，HTTP 遞請求"變成了進程內的一等公民
。最終 mixer 、因為它體現了這個項目的工程哲學 ：

融合到圖級
。多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入，純 .NET 推理引擎 TensorSharp 把兩者都接進了主幹——兩個全新的 GGUF 架構 id（glm5next和 qwen4exp） ，

第三，18B 激活的 MoE，切換請求隻是引用交換，架構差異（288 路由專家
、對金融、TensorSharp 三天內接入兩個新架構 id，decode 翻倍
，以 5.3-Flash 複用 GlmDsaModel的先例看，原生 262K 上下文 。

工程邊界也寫得清楚，再到逐算子路徑
，

---

參考資料（截至 2026-08-29）  ：

• TensorSharp 倉庫與架構卡片（glm.md / qwen38-flash-next.md）：https://github.com/zhongkaifu/TensorSharp
• GLM-5.3-Flash 官方文檔：https://docs.bigmodel.cn
• Qwen3.8-Flash-Next ：https://github.com/QwenLM/Qwen3.8-Flash-Next
• 把 284B 的 DeepSeek V4 Flash 裝進純 .NET》：https://www.cnblogs.com/shanyou/p/22138494

現在可以把 TensorSharp 放進 PoC 清單了。